거기에서 가장 높은 이윤 계수를 가진 포워드를 선택해야 하며 백테스트가 거의 동일하도록 그리드가 이러한 매개변수에 대한 규범을 예측할 수 있음을 의미합니다.
아니 이런 식으로. 포워드는 단순히 실제 거래에서 잠재적인 이익을 보여줍니다. 최고의 백테스트 결과를 가져와서 그 프론트 테스트를 살펴보십시오. 결국 Expert Advisor가 한창인 경우에도 최적화 중에 적어도 하나의 수익성 있는 포워드를 얻을 수 있지만 그러한 Expert Advisor는 슬라이스 방법에 관계없이 여전히 실패합니다. 유전학은 10,000개 이상의 매개변수를 선택합니다. 그 중 백테스트와 프런트테스트 모두에서 유익한 임의의 매개변수가 항상 있지만 이것은 단지 우연입니다.
Forward는 Expert Advisor를 생성/변경할 때 컨트롤로 사용할 수 있습니다. 이 3개의 rsi 매개변수를 다른 것으로 교체하고 유전학에 의해 새로운 최상의 매개변수 값을 찾고 포워드에서 어떤 일이 발생하는지 확인합니다. 최상의 백테스트 결과가 좋은 순방향 결과에 해당하고 이것이 다른 시간 간격으로 최적화할 때 발생하는 경우 EA는 정상입니다. 추가 최적화 없이 거의 모든 Expert Advisors가 긴 간격으로 병합되는 데 너무 오래 걸릴 필요가 없습니다. 예를 들어, 2개월의 백테스팅, 1주일의 프론트 테스팅, 그런 것은 정상입니다.
막심 드미트리예프스키 :
정규화 함수가 50개가 아닌 5000개 막대의 배열을 즉시 취하여 처음부터 더 정확한 최대값과 최소값을 찾고 시간이 지남에 따라 업데이트하지 않는 것이 더 나은지 여부는 아직 완전히 명확하지 않습니다. 테스트 섹션이 시작될 때 올바르게 정규화되지 않은 값이 입력에 공급되고 점점 더 정확하게
네, 5000부터 더 정확합니다. 또한 실제 거래 중 Expert Advisor 실행 후 터미널 재시작 등을 하면 최소값과 최대값이 초기화 됩니다. 모든 최적화가 실패합니다. 보증금은 소멸됩니다. 또한 수익을 내기 위해 코드에서 무언가를 변경하려고 시도합니다. 예를 들어, 추가 없이 선형 회귀의 순수한 결과를 가져와서 1000을 곱한 다음 0.5를 추가했습니다. 결과는 거의 항상 [0;1]에 있고(여전히 한계를 넘어서면 로그에 오류를 출력하고 나중에 승수를 줄입니다), 중심은 항상 0.5이며 이 모든 것이 결코 잘못된 것이 아닙니다.
막심 드미트리예프스키 :
또한, 예를 들어 고정 계열에 대한 회귀 기울기 및 자기 상관과 같은 최상의 방법을 확신할 때까지 여전히 그래프의 추세를 제거하고 그리드에 대해 더 소화 가능한 값을 제공합니다. 저는 계량경제학 을 잘 못해서 지금 영상을 보고 있습니다.
고정 계열의 회귀 기울기는 0이므로 찾을 필요가 없습니다. 일반적으로 마지막 N개의 막대에서 현재 추세의 기울기를 찾고자 한다면 선형 회귀는 꽤 괜찮습니다. 코드에서 모든 것이 이미 괜찮습니다. 이것은 단일 값이 아니라 긴 벡터(시차 1과의 상관관계, 시차 2와 상관관계, 시차 3과의 상관관계 등)이기 때문에 자기상관과 다소 흐릿할 것입니다. 이 모든 값은 RNN에 맞지 않습니다.
고정 계열의 회귀 기울기는 0이므로 찾을 필요가 없습니다. 일반적으로 마지막 N개의 막대에서 현재 추세의 기울기를 찾고자 한다면 선형 회귀는 꽤 괜찮습니다. 코드에서 모든 것이 이미 괜찮습니다. 이것은 단일 값이 아니라 긴 벡터(시차 1과의 상관관계, 시차 2와 상관관계, 시차 3과의 상관관계 등)이기 때문에 자기상관과 다소 흐릿할 것입니다. 이 모든 값은 RNN에 맞지 않습니다.
아니요, 우리는 그래프의 규범에 따라 reg의 기울기를 계산하고 detrend, mb에 따라 자기 상관을 찾고 있습니다. 사이클 우리는 지금
저것들. 입력에서 우리는 이 방향 내에서 회귀 기울기와 순환성의 형태로 방향을 갖게 될 것입니다.
오토인코더는 다음을 수행할 수 있는 뉴런입니다. 1) 어떤 벡터(예: 시계열)를 취하고 출력에서 더 작은 길이의 다른 벡터를 출력합니다. 손실이 거의 없는 일종의 데이터 압축. 2) 이전에 얻은 짧은 데이터 벡터를 가져와서 원본 데이터를 복원합니다(거의 원본은 첫 번째 단계의 손실에 따라 다름). 그것이 감압입니다.
실제 예 - 많은 디스크 공간을 차지하는 BMP 형식의 사진이 있습니다. 자동 인코더는 픽셀을 가져와서 JPG 이미지의 픽셀이라는 새로운 벡터를 반환합니다. 같은 사진이지만 디스크 공간을 덜 차지하고 약간 흐립니다. 그런 다음 원하는 경우 JPG에서 BMP를 다시 얻을 수 있지만 원래의 밝기와 밝기는 되돌릴 수 없습니다. 나는 JPG 알고리즘을 뉴런에 넣을 수 있다고 생각하지 않습니다. 예제는 순전히 명확성을 위한 것입니다.
여기에서 RNN은 먼저 시계열 을 취하지 않지만 이 경우에는 이미 RSI이며 원래 가격을 어떤 식으로든 복원할 수 없는 하나의 값만 반환합니다.
막심 드미트리예프스키 :
아니요, 우리는 그래프의 규범에 따라 reg의 기울기를 계산하고 detrend, mb에 따라 자기 상관을 찾고 있습니다. 사이클 우리는 지금
저것들. 출력에서 우리는 이 방향 내에서 회귀 기울기와 순환성의 형태로 방향을 갖게 될 것입니다.
이러한 GARCH가 많이 있습니다. 모델 자체, 평균 유형 및 잔차 분포 유형의 세 가지 매개변수 그룹이 있습니다. 모든 것이 입증되어야 합니다. 최고의 데이터 마이닝. 각 매개변수 유형에 대해 마지막 삐걱거림. 디트렌딩은 위에서 논의되었습니다. 따라서 GARCH에서는 ARFIMA와 함께 추세를 낮추고 있습니다. 분수 미분(허스트).
이러한 GARCH가 많이 있습니다. 모델 자체, 평균 유형 및 잔차 분포 유형의 세 가지 매개변수 그룹이 있습니다. 모든 것이 입증되어야 합니다. 최고의 데이터 마이닝. 각 매개변수 유형에 대해 마지막 삐걱거림. 디트렌딩은 위에서 논의되었습니다. 따라서 GARCH에서는 ARFIMA와 함께 추세를 낮추고 있습니다. 분수 미분(허스트).
글쎄, 그물에 땅벌레를 밀어 넣는 방법? 뿐만 아니라 일부 진입 지표. 결국 네트워크 자체는 자체적으로 모델을 생성해야 합니다.
거기에서 가장 높은 이윤 계수를 가진 포워드를 선택해야 하며 백테스트가 거의 동일하도록 그리드가 이러한 매개변수에 대한 규범을 예측할 수 있음을 의미합니다.
아니 이런 식으로. 포워드는 단순히 실제 거래에서 잠재적인 이익을 보여줍니다. 최고의 백테스트 결과를 가져와서 그 프론트 테스트를 살펴보십시오.
결국 Expert Advisor가 한창인 경우에도 최적화 중에 적어도 하나의 수익성 있는 포워드를 얻을 수 있지만 그러한 Expert Advisor는 슬라이스 방법에 관계없이 여전히 실패합니다. 유전학은 10,000개 이상의 매개변수를 선택합니다. 그 중 백테스트와 프런트테스트 모두에서 유익한 임의의 매개변수가 항상 있지만 이것은 단지 우연입니다.
Forward는 Expert Advisor를 생성/변경할 때 컨트롤로 사용할 수 있습니다. 이 3개의 rsi 매개변수를 다른 것으로 교체하고 유전학에 의해 새로운 최상의 매개변수 값을 찾고 포워드에서 어떤 일이 발생하는지 확인합니다. 최상의 백테스트 결과가 좋은 순방향 결과에 해당하고 이것이 다른 시간 간격으로 최적화할 때 발생하는 경우 EA는 정상입니다. 추가 최적화 없이 거의 모든 Expert Advisors가 긴 간격으로 병합되는 데 너무 오래 걸릴 필요가 없습니다. 예를 들어, 2개월의 백테스팅, 1주일의 프론트 테스팅, 그런 것은 정상입니다.
정규화 함수가 50개가 아닌 5000개 막대의 배열을 즉시 취하여 처음부터 더 정확한 최대값과 최소값을 찾고 시간이 지남에 따라 업데이트하지 않는 것이 더 나은지 여부는 아직 완전히 명확하지 않습니다. 테스트 섹션이 시작될 때 올바르게 정규화되지 않은 값이 입력에 공급되고 점점 더 정확하게
네, 5000부터 더 정확합니다. 또한 실제 거래 중 Expert Advisor 실행 후 터미널 재시작 등을 하면 최소값과 최대값이 초기화 됩니다. 모든 최적화가 실패합니다. 보증금은 소멸됩니다.
또한 수익을 내기 위해 코드에서 무언가를 변경하려고 시도합니다. 예를 들어, 추가 없이 선형 회귀의 순수한 결과를 가져와서 1000을 곱한 다음 0.5를 추가했습니다. 결과는 거의 항상 [0;1]에 있고(여전히 한계를 넘어서면 로그에 오류를 출력하고 나중에 승수를 줄입니다), 중심은 항상 0.5이며 이 모든 것이 결코 잘못된 것이 아닙니다.
또한, 예를 들어 고정 계열에 대한 회귀 기울기 및 자기 상관과 같은 최상의 방법을 확신할 때까지 여전히 그래프의 추세를 제거하고 그리드에 대해 더 소화 가능한 값을 제공합니다. 저는 계량경제학 을 잘 못해서 지금 영상을 보고 있습니다.
고정 계열의 회귀 기울기는 0이므로 찾을 필요가 없습니다. 일반적으로 마지막 N개의 막대에서 현재 추세의 기울기를 찾고자 한다면 선형 회귀는 꽤 괜찮습니다. 코드에서 모든 것이 이미 괜찮습니다.
이것은 단일 값이 아니라 긴 벡터(시차 1과의 상관관계, 시차 2와 상관관계, 시차 3과의 상관관계 등)이기 때문에 자기상관과 다소 흐릿할 것입니다. 이 모든 값은 RNN에 맞지 않습니다.
고정 계열의 회귀 기울기는 0이므로 찾을 필요가 없습니다. 일반적으로 마지막 N개의 막대에서 현재 추세의 기울기를 찾고자 한다면 선형 회귀는 꽤 괜찮습니다. 코드에서 모든 것이 이미 괜찮습니다.
이것은 단일 값이 아니라 긴 벡터(시차 1과의 상관관계, 시차 2와 상관관계, 시차 3과의 상관관계 등)이기 때문에 자기상관과 다소 흐릿할 것입니다. 이 모든 값은 RNN에 맞지 않습니다.
아니요, 우리는 그래프의 규범에 따라 reg의 기울기를 계산하고 detrend, mb에 따라 자기 상관을 찾고 있습니다. 사이클 우리는 지금
저것들. 입력에서 우리는 이 방향 내에서 회귀 기울기와 순환성의 형태로 방향을 갖게 될 것입니다.
그리고 RNN 유형을 MLP용 자동 인코더로 사용하는 방법은 무엇이라고 생각하십니까?
이 문장에 뭔가 문제가 있습니다 :)
오토인코더는 다음을 수행할 수 있는 뉴런입니다.
1) 어떤 벡터(예: 시계열)를 취하고 출력에서 더 작은 길이의 다른 벡터를 출력합니다. 손실이 거의 없는 일종의 데이터 압축.
2) 이전에 얻은 짧은 데이터 벡터를 가져와서 원본 데이터를 복원합니다(거의 원본은 첫 번째 단계의 손실에 따라 다름). 그것이 감압입니다.
실제 예 - 많은 디스크 공간을 차지하는 BMP 형식의 사진이 있습니다. 자동 인코더는 픽셀을 가져와서 JPG 이미지의 픽셀이라는 새로운 벡터를 반환합니다. 같은 사진이지만 디스크 공간을 덜 차지하고 약간 흐립니다.
그런 다음 원하는 경우 JPG에서 BMP를 다시 얻을 수 있지만 원래의 밝기와 밝기는 되돌릴 수 없습니다.
나는 JPG 알고리즘을 뉴런에 넣을 수 있다고 생각하지 않습니다. 예제는 순전히 명확성을 위한 것입니다.
여기에서 RNN은 먼저 시계열 을 취하지 않지만 이 경우에는 이미 RSI이며 원래 가격을 어떤 식으로든 복원할 수 없는 하나의 값만 반환합니다.
막심 드미트리예프스키 :
아니요, 우리는 그래프의 규범에 따라 reg의 기울기를 계산하고 detrend, mb에 따라 자기 상관을 찾고 있습니다. 사이클 우리는 지금
저것들. 출력에서 우리는 이 방향 내에서 회귀 기울기와 순환성의 형태로 방향을 갖게 될 것입니다.
이 문장에 뭔가 문제가 있습니다 :)
여기에서 RNN은 먼저 시계열이 아니라 이 경우 이미 RSI를 취하며 원래 가격을 어떤 식으로든 복원할 수 없는 하나의 값만 반환합니다.
하지만 우리는 3 rsi back의 판독값을 복원할 수 있습니다. :) 그는 단지 그것들을 압축하고 확률을 주었습니다. 그렇지 않습니까? )
autoencoder의 정보 손실도 있습니다. 차이점을 아직 이해하지 못합니다. Mb 차이점은 순전히 아키텍처에 있으며 단순화 된 버전이 있습니다.
너무 보였다. IMHO, 이것은 우리의 주제 영역이 아닙니다.
글쎄, 왜 안되지? M1에 대한 EURUSD에 대한 간행물을 훨씬 더 많이 보았습니다.
rugarch에서 봐야합니다
이러한 GARCH가 많이 있습니다. 모델 자체, 평균 유형 및 잔차 분포 유형의 세 가지 매개변수 그룹이 있습니다. 모든 것이 입증되어야 합니다. 최고의 데이터 마이닝. 각 매개변수 유형에 대해 마지막 삐걱거림. 디트렌딩은 위에서 논의되었습니다. 따라서 GARCH에서는 ARFIMA와 함께 추세를 낮추고 있습니다. 분수 미분(허스트).
글쎄, 왜 안되지? M1에 대한 EURUSD에 대한 간행물을 훨씬 더 많이 보았습니다.
rugarch에서 봐야합니다
이러한 GARCH가 많이 있습니다. 모델 자체, 평균 유형 및 잔차 분포 유형의 세 가지 매개변수 그룹이 있습니다. 모든 것이 입증되어야 합니다. 최고의 데이터 마이닝. 각 매개변수 유형에 대해 마지막 삐걱거림. 디트렌딩은 위에서 논의되었습니다. 따라서 GARCH에서는 ARFIMA와 함께 추세를 낮추고 있습니다. 분수 미분(허스트).
글쎄, 그물에 땅벌레를 밀어 넣는 방법? 뿐만 아니라 일부 진입 지표. 결국 네트워크 자체는 자체적으로 모델을 생성해야 합니다.
글쎄, 그물에 땅벌레를 밀어 넣는 방법? 일부 진입 지표뿐만 아니라. 결국 네트워크 자체는 자체적으로 모델을 생성해야 합니다.
그물에 침을 뱉고 좋은 것을 음란한 데 넣지 말라
그물에 침을 뱉고 음란물에 좋은 것을 밀어 넣지 마십시오
아니요, 관심을 위해 사용해야합니다. 그리드 응용 프로그램을 명확하게 생각해 낼 수 있습니다.
아니요, 관심을 위해 사용해야합니다. 그리드 응용 프로그램을 명확하게 생각해 낼 수 있습니다.
모든 기계 학습 및 NN 모델은 목적 함수에 맞춰야 하는 예측 변수에 크게 의존합니다. 이 모든 것은 위에서 여러 번 논의되었습니다. 주요 인건비는 데이터마이닝을 위한 것이며 그리드 자체는 그다지 중요하지 않습니다.
글쎄, 나는 단지 위의 예측자 옵션에 대해 논의하려고 했던 것뿐입니다 :) 시도해 보겠습니다.